論文の概要: A Similarity-preserving Neural Network Trained on Transformed Images
Recapitulates Salient Features of the Fly Motion Detection Circuit
- arxiv url: http://arxiv.org/abs/2102.05503v1
- Date: Wed, 10 Feb 2021 15:45:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 23:05:05.634657
- Title: A Similarity-preserving Neural Network Trained on Transformed Images
Recapitulates Salient Features of the Fly Motion Detection Circuit
- Title（参考訳）: トランスフォーマ画像を用いた類似性保存ニューラルネットワークによるフライモーション検出回路の健全な特徴の再カプセル化
- Authors: Yanis Bahroun and Anirvan M. Sengupta and Dmitri B. Chklovskii
- Abstract要約: データからコンテンツ非依存の変換を検出する学習は、生物学的および人工知能における中心的な問題のひとつである。
類似性保存目的関数を用いた生物学的に妥当な動作検出モデルを提案する。
特に、局所運動検出器が少なくとも3つの隣接画素の情報を組み合わせるという実験的な観察と一致している。
- 参考スコア（独自算出の注目度）: 15.082715993594121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning to detect content-independent transformations from data is one of
the central problems in biological and artificial intelligence. An example of
such problem is unsupervised learning of a visual motion detector from pairs of
consecutive video frames. Rao and Ruderman formulated this problem in terms of
learning infinitesimal transformation operators (Lie group generators) via
minimizing image reconstruction error. Unfortunately, it is difficult to map
their model onto a biologically plausible neural network (NN) with local
learning rules. Here we propose a biologically plausible model of motion
detection. We also adopt the transformation-operator approach but, instead of
reconstruction-error minimization, start with a similarity-preserving objective
function. An online algorithm that optimizes such an objective function
naturally maps onto an NN with biologically plausible learning rules. The
trained NN recapitulates major features of the well-studied motion detector in
the fly. In particular, it is consistent with the experimental observation that
local motion detectors combine information from at least three adjacent pixels,
something that contradicts the celebrated Hassenstein-Reichardt model.
- Abstract（参考訳）: データからコンテンツに依存しない変換を検出するための学習は、生物と人工知能の中心的な問題のひとつだ。
そのような問題の例は、連続したビデオフレームのペアから視覚運動検出器の教師なし学習である。
RaoとRudermanは、画像再構成誤差を最小限に抑えることにより、無限小変換演算子(Lie Group Generators)の学習の観点からこの問題を定式化した。
残念なことに、彼らのモデルをローカル学習ルールで生物学的に実行可能なニューラルネットワーク(NN)にマッピングすることは困難です。
本稿では,生物学的に妥当な運動検出モデルを提案する。
トランスフォーメーション演算子のアプローチも採用していますが、リコンストラクションエラーの最小化ではなく、類似性保存目的関数から始めます。
そのような目的関数を最適化するオンラインアルゴリズムは、生物学的に妥当な学習ルールを持つNNに自然にマッピングする。
訓練されたNNは、飛行中のよく研究されたモーション検出器の主要な特徴を再カプセル化する。
特に、局所的な運動検出器が少なくとも3つの隣接するピクセルからの情報を結合しているという実験的な観測と一致している。
関連論文リスト
- A Brain-Inspired Regularizer for Adversarial Robustness [25.57552719924835]
近年の研究では、脳に似た表現を促進する正則化器を用いたCNNのトレーニングが、ニューラル記録を用いて、モデルロバスト性を改善することが示されている。
我々は,オリジナルの本質を保ちながら,画像画素の類似性を用いて計算される新たな正規化器を導入し,ニューラル記録の必要性を排除した。
我々の研究は、生物学的に動機付けられた損失関数が人工ニューラルネットワークの性能向上にどのように役立つかを探る。
論文 参考訳（メタデータ） (2024-10-04T22:30:47Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Unsupervised Learning of Invariance Transformations [105.54048699217668]
近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。
重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
論文 参考訳（メタデータ） (2023-07-24T17:03:28Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Discovering dynamical features of Hodgkin-Huxley-type model of
physiological neuron using artificial neural network [0.0]
2つの高速かつ1つの遅い変数を持つHodgkin-Huxley型システムを考える。
これら2つのシステムでは、そのダイナミクスを再現できる人工ニューラルネットワークを作成します。
ビスタブルモデルでは、トレーニング中に見ずに、あるソリューションのブランチでのみトレーニングされたネットワークが、別のネットワークを回復することを意味する。
論文 参考訳（メタデータ） (2022-03-26T19:04:19Z) - Verifying Inverse Model Neural Networks [39.4062479625023]
逆問題は、航空宇宙工学から医用画像まで、様々な物理的領域に存在している。
本稿では,逆モデルニューラルネットワークの正当性を検証する手法を提案する。
論文 参考訳（メタデータ） (2022-02-04T23:13:22Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T07:46:54Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。